ارزیابی و بهینه‌سازی مدل‌های یادگیری ماشین در سیستم‌های تشخیص نفوذ با استفاده از روش‌های کاهش ابعاد pca و ica

با گسترش روزافزون تهدیدات سایبری، توسعه سیستم‌های تشخیص نفوذ کارا و دقیق به یکی از چالش‌های اساسی در امنیت شبکه تبدیل‌شده است. در این مقاله، عملکرد شش مدل یادگیری ماشین شامل knn، svm، random forest، decision tree، logistic regression و xgboost در تشخیص نفوذ شبکه ارزیابی و مقایسه شده است. به‌منظور بهبود کارایی محاسباتی و کاهش اثر ویژگی‌های غیرضروری، از دو روش کاهش ابعاد تحلیل مولفه‌های اصلی (pca) و تحلیل مولفه‌های مستقل (ica) استفاده گردید. مجموعه داده unsw-nb15 به‌عنوان داده مرجع انتخاب شد و ارزیابی مدل‌ها با معیارهای accuracy، precision، recall، f1-score و زمان آموزش/پیش‌بینی انجام گرفت. نتایج نشان داد random forest و xgboost بهترین عملکرد کلی را ارائه داده و حتی با کاهش ابعاد توسط ica دقت بالای خود را حفظ کردند. ica در اغلب مدل‌ها نسبت به pca عملکرد بهتری داشت و توانست تعادل مطلوبی بین دقت و کارایی ایجاد کند. یافته‌های این مقاله می‌تواند به انتخاب مدل مناسب ids بر اساس نیازهای عملیاتی، ازجمله اولویت کاهش هشدارهای کاذب یا افزایش نرخ تشخیص، کمک نماید.

evaluation and optimization of machine learning models in intrusion detection systems using pca and ica dimensionality reduction methods

intrusion detection systems (ids) play a crucial role in protecting modern computer networks from diverse cyberattacks. however, the high dimensionality and complexity of network traffic data often degrade the accuracy and efficiency of machine learning–based ids models. this paper proposes a comprehensive comparative framework that adaptively integrates two dimensionality reduction methods—principal component analysis (pca) and independent component analysis (ica)—to enhance ids performance. six widely adopted machine learning algorithms—k-nearest neighbors (knn), support vector machine (svm), random forest, decision tree, logistic regression, and xgboost—are evaluated using the modern unsw-nb15 dataset. the performance of each model is assessed based on classical evaluation metrics (accuracy, precision, recall, and f1-score) as well as operational efficiency indicators (training and prediction time). experimental results demonstrate that ica generally outperforms pca, achieving a better balance between detection accuracy and computational cost. the findings provide valuable insights for designing practical, efficient, and high-performance ids solutions for real-world applications.